视频去背景：免费、带声音，全程在你的浏览器里

把片段拖进来就行。每一帧都在你自己的电脑上抠，原来的声音也一起带走。

视频与导出设置

把视频拖到这里

也可以直接 Ctrl+V / ⌘V 粘贴

支持 mp4 · mov · webm，免费版 30 秒、720p、200 MB 以内。超出时自动截前 30 秒、缩到 720p，不会直接拒收。

导出格式
边缘精细度

你的视频经历了什么

  1. 1 · 解码

    浏览器自带的视频解码器（WebCodecs）一帧一帧地把视频解开。内存里同一时间只放一帧，所以 30 秒的视频也不需要几个 G 的内存。

  2. 2 · 抠像

    每一帧缩到短边 320–512 像素交给 MODNet——一个专门做人像抠图的网络——得到一张带半透明过渡的遮罩，再放大回原尺寸与画面相乘。

  3. 3 · 编码

    抠好的画面重新编码：WebM 用带 Alpha 的 VP9，MP4 用 H.264；原文件里的音频数据包直接搬进新文件。

要等多久

用页面上那段 6 秒 720p 示例（180 帧）、「标准」精细度实测。视频越长，时间按比例增加。

机器模型每帧6 秒示例30 秒视频（估算）
Apple M2 Max，WebGPU55 毫秒11 秒约 55 秒
同一台机器，只用 CPU（单线程）660 毫秒约 2 分 10 秒约 11 分钟

没有 WebGPU 的老电脑或低功耗笔记本，还会比上面 CPU 那一行更慢。嫌慢就先把视频剪短——每少一秒，模型就少看 30 帧。

用的是什么模型

抠像由 MODNet（Ke 等，AAAI 2022）完成，这是一个专门把人从环境里分出来的网络，ONNX 版本来自 Xenova/modnet。有 WebGPU 时用 25.9 MB 的全精度权重跑在显卡上；没有时用 13.0 MB 的半精度权重跑在 CPU 上。6.6 MB 的 8 位量化版我们也试过：浅蓝衬衫站在白墙前，整个人都被当成了背景，所以没用。

MODNet 以 Apache License 2.0 发布，允许商用，许可证全文随页面提供：LICENSE-model.txt。视频编解码用的是 Mediabunny（MPL-2.0）。

常见问题

视频会被上传吗？

不会。页面只下载一次模型，之后解码、抠像、编码全在这个浏览器标签页里完成。服务器只往你这边发文件，根本没有接收上传的接口。模型加载完以后断网，在同一个标签页里照样可以继续处理视频。

导出的透明 WebM，为什么有的播放器里背景是黑的？

透明信息是作为画面旁边的第二路 VP9 数据存的。Chrome、Edge、Firefox 会读它；QuickTime、Windows「照片」、手机相册和不少桌面剪辑软件不读，就画成黑色。文件本身没问题。如果你的剪辑软件不认 WebM 透明通道，就导出 PNG 序列帧（所有剪辑软件都能按图像序列导入），或者导出抠像绿 MP4 再在软件里抠一次。

声音会保留吗？

会。导 MP4 时，音频数据包从原文件原样复制，没有任何音质损失。WebM 装不了 AAC，所以透明 WebM 的声音会转成 Opus。PNG 序列帧会把音频作为单独文件放进压缩包。有的在线工具免费档导出是不带声音的，这里不会。

为什么第一次要下载 13–26 MB？

那是 MODNet 模型本身：WebGPU 用 25.9 MB 的全精度版，CPU 用 13.0 MB 的半精度版。下载后存在浏览器缓存里，第二次打开大约一秒就加载好，不会再下载。

电脑没有 WebGPU 能用吗？要多久？

能用。没有 WebGPU 时模型通过 WebAssembly 在 CPU 上单线程运行。Apple M2 Max 上「标准」精细度一帧大约 660 毫秒，30 秒、30 帧/秒的视频（900 帧）要十分钟左右；老一点的笔记本更久。把精细度调成「快速」（一帧约 410 毫秒），时间能省下三分之一左右。

最长能处理多长的视频？为什么要限制？

免费版是 30 秒、720p、200 MB 以内。更长的视频自动截取前 30 秒，更大的画面自动缩到 1280×720 以内，照样出结果。之所以限制，是因为所有计算都在你自己的电脑上：一分钟的 1080p 是 1800 张全尺寸画面，CPU 上会很慢，浏览器标签页的内存也吃不消。

什么样的视频效果最好？

MODNet 是用人像训练的，口播、讲解、跳舞、对着镜头说话的人效果最好；宠物、汽车、商品它抠不了。头发和背景颜色太接近、动作快到有拖影、人在画面里特别小，这几种情况边缘会发虚或者缺块——时间线会标出哪些帧里没识别到人。

只需要处理一张图？图片去背景按原分辨率处理单张照片。